論文の概要: Personalized Federated Deep Learning for Pain Estimation From Face
Images
- arxiv url: http://arxiv.org/abs/2101.04800v1
- Date: Tue, 12 Jan 2021 23:21:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-04 01:50:18.170853
- Title: Personalized Federated Deep Learning for Pain Estimation From Face
Images
- Title（参考訳）: 顔画像からの痛み推定のための個人化深層学習
- Authors: Ognjen Rudovic, Nicolas Tobis, Sebastian Kaltwang, Bj\"orn Schuller,
Daniel Rueckert, Jeffrey F. Cohn and Rosalind W. Picard
- Abstract要約: 顔画像から痛みを推定するためのPersonalized Deep Learning (PFDL) アプローチを提案する。
PFDLは、顔画像を共有することなく、異なるクライアント間で軽量CNNアーキテクチャを使用して実装されたディープモデルの協調トレーニングを実行する。
PFDL が標準集中型および FL アルゴリズムよりも比較可能または良く動作し、データプライバシーをさらに向上させることを示す。
- 参考スコア（独自算出の注目度）: 31.890455005028706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Standard machine learning approaches require centralizing the users' data in
one computer or a shared database, which raises data privacy and
confidentiality concerns. Therefore, limiting central access is important,
especially in healthcare settings, where data regulations are strict. A
potential approach to tackling this is Federated Learning (FL), which enables
multiple parties to collaboratively learn a shared prediction model by using
parameters of locally trained models while keeping raw training data locally.
In the context of AI-assisted pain-monitoring, we wish to enable
confidentiality-preserving and unobtrusive pain estimation for long-term
pain-monitoring and reduce the burden on the nursing staff who perform frequent
routine check-ups. To this end, we propose a novel Personalized Federated Deep
Learning (PFDL) approach for pain estimation from face images. PFDL performs
collaborative training of a deep model, implemented using a lightweight CNN
architecture, across different clients (i.e., subjects) without sharing their
face images. Instead of sharing all parameters of the model, as in standard FL,
PFDL retains the last layer locally (used to personalize the pain estimates).
This (i) adds another layer of data confidentiality, making it difficult for an
adversary to infer pain levels of the target subject, while (ii) personalizing
the pain estimation to each subject through local parameter tuning. We show
using a publicly available dataset of face videos of pain (UNBC-McMaster
Shoulder Pain Database), that PFDL performs comparably or better than the
standard centralized and FL algorithms, while further enhancing data privacy.
This, has the potential to improve traditional pain monitoring by making it
more secure, computationally efficient, and scalable to a large number of
individuals (e.g., for in-home pain monitoring), providing timely and
unobtrusive pain measurement.
- Abstract（参考訳）: 標準的な機械学習アプローチでは、ユーザのデータをひとつのコンピュータまたは共有データベースに集約する必要がある。
したがって、特にデータ規制が厳格な医療環境では、中央アクセスを制限することが重要である。
これに取り組む潜在的なアプローチは、生のトレーニングデータをローカルに保持しながら、ローカルにトレーニングされたモデルのパラメータを使用することで、複数の当事者が共有予測モデルを共同的に学習できるフェデレーション学習(fl)である。
AIによる鎮痛モニタリングの文脈では、長期の鎮痛監視のための機密性保存と非閉塞性鎮痛推定を可能とし、定期的なチェックアップを頻繁に行う看護スタッフの負担を軽減したい。
この目的のために,顔画像から痛みを推定するためのPFDL(Personalized Federated Deep Learning)アプローチを提案する。
PFDLは、顔画像を共有することなく、異なるクライアント(主題など)にわたって、軽量CNNアーキテクチャを用いて実装されたディープモデルの協調トレーニングを実行する。
標準FLのようにモデルのすべてのパラメータを共有する代わりに、PFDLは最後のレイヤをローカルに保持する(痛みの推定をパーソナライズするために使用される)。
この(i)は、別のデータの機密性層を追加し、敵が対象者の痛みレベルを推測することを困難にし、(ii)局所的なパラメータチューニングによって各被験者の痛み推定をパーソナライズする。
痛みの顔ビデオのデータセット(UNBC-McMaster Shoulder Pain Database)を用いて、PFDLは標準的な集中型およびFLアルゴリズムよりも可視的または優れた性能を示し、データのプライバシーをさらに強化する。
これにより、より安全で計算効率が高く、多くの個人(家庭内の痛みモニタリングなど)にスケーラブルで、タイムリーで邪魔にならない痛み測定を提供することで、従来の痛みモニタリングを改善することができる。
関連論文リスト
- Improving the Classification Effect of Clinical Images of Diseases for Multi-Source Privacy Protection [0.0]
医療分野におけるプライバシーデータ保護は、データ共有に課題をもたらす。
従来の集中型トレーニング手法は、プライバシー保護原則に違反しているため、適用が難しい。
データベクトルに基づく医療プライバシデータトレーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-23T12:52:24Z) - Brain Storm Optimization Based Swarm Learning for Diabetic Retinopathy Image Classification [5.440545944342685]
本稿では,ブレインストーム最適化アルゴリズムを,BSO-SLという名称のSwarm学習フレームワークに統合する。
実際の糖尿病網膜症画像分類データセットを用いて,本手法の有効性を検証した。
論文 参考訳（メタデータ） (2024-04-24T01:37:20Z) - Learnable Weight Initialization for Volumetric Medical Image Segmentation [66.3030435676252]
本稿では,学習可能な重みに基づくハイブリッド医療画像セグメンテーション手法を提案する。
我々のアプローチはどんなハイブリッドモデルにも簡単に統合でき、外部のトレーニングデータを必要としない。
多臓器・肺がんセグメンテーションタスクの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-06-15T17:55:05Z) - Federated Learning with Privacy-Preserving Ensemble Attention
Distillation [63.39442596910485]
Federated Learning(FL)は、多くのローカルノードがトレーニングデータを分散化しながら、中央モデルを協調的にトレーニングする機械学習パラダイムである。
本稿では,未ラベル公開データを利用した一方向オフライン知識蒸留のためのプライバシー保護FLフレームワークを提案する。
我々の技術は、既存のFLアプローチのような分散的で異質なローカルデータを使用するが、より重要なのは、プライバシー漏洩のリスクを著しく低減することです。
論文 参考訳（メタデータ） (2022-10-16T06:44:46Z) - Homomorphic Encryption and Federated Learning based Privacy-Preserving
CNN Training: COVID-19 Detection Use-Case [0.41998444721319217]
本稿では、同相暗号を用いた医療データのためのプライバシー保護フェデレーション学習アルゴリズムを提案する。
提案アルゴリズムはセキュアなマルチパーティ計算プロトコルを用いて,ディープラーニングモデルを敵から保護する。
論文 参考訳（メタデータ） (2022-04-16T08:38:35Z) - Acceleration of Federated Learning with Alleviated Forgetting in Local
Training [61.231021417674235]
フェデレートラーニング(FL)は、プライバシを保護しながら機械学習モデルの分散最適化を可能にする。
我々は,FedRegを提案する。FedRegは,局所的な訓練段階において,知識を忘れることなくFLを加速するアルゴリズムである。
我々の実験は、FedRegはFLの収束率を著しく改善するだけでなく、特にニューラルネットワークアーキテクチャが深い場合にも改善することを示した。
論文 参考訳（メタデータ） (2022-03-05T02:31:32Z) - Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。
モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。
本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
論文 参考訳（メタデータ） (2022-02-14T18:33:12Z) - Practical Challenges in Differentially-Private Federated Survival
Analysis of Medical Data [57.19441629270029]
本稿では,ニューラルネットワークの本質的特性を活用し,生存分析モデルの訓練過程を関連づける。
小さな医療データセットと少数のデータセンターの現実的な設定では、このノイズはモデルを収束させるのが難しくなります。
DPFed-post は,私的フェデレート学習方式に後処理の段階を追加する。
論文 参考訳（メタデータ） (2022-02-08T10:03:24Z) - Personalized Federated Learning with Clustering: Non-IID Heart Rate
Variability Data Application [0.1465840097113565]
本稿では,階層的クラスタリングに基づくFLプロセスであるPersonalized Federated Cluster Modelsを提案し,心拍変動からうつ病の重症度を予測する。
クライアントがよりパーソナライズされたモデルを受けられるようにすることで、非IIDデータによる問題に対処し、重大度予測の精度が向上することを示す。
論文 参考訳（メタデータ） (2021-08-04T08:24:23Z) - Differentially private federated deep learning for multi-site medical
image segmentation [56.30543374146002]
フェデレートラーニング(FL)のような協調機械学習技術は、データ転送なしで効果的に大規模なデータセット上でモデルのトレーニングを可能にする。
近年のイニシアチブでは、FLで訓練されたセグメンテーションモデルが、局所的に訓練されたモデルと同様のパフォーマンスを達成できることが示されている。
しかし、FLは完全なプライバシ保護技術ではなく、プライバシ中心の攻撃は秘密の患者データを開示することができる。
論文 参考訳（メタデータ） (2021-07-06T12:57:32Z) - Towards Scheduling Federated Deep Learning using Meta-Gradients for
Inter-Hospital Learning [15.005982599243318]
複数の病院データセンターから抽出した患者データを利用して、患者のプライバシを犠牲にすることなく機械学習モデルをトレーニングする。
本研究では,学生と教師の連携によるスケジューリングアルゴリズムを開発した。
メタグラディエントを用いてトレーニングされたスケジューラは、トレーニングを効果的に編成し、その結果、多様なデータセット上で機械学習モデルをトレーニングできることが示される。
論文 参考訳（メタデータ） (2021-07-04T18:45:58Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。